跳到主要内容

# 路由门控

2 篇关联报道

arXiv 2026年10月31日
PRISM-Net把商品检索拆成线条与颜色两路：SwinV2上线条检索mAP@10提升5.74个百分点
PRISM-Net把商品图像的整体特征拆成线条与颜色两条专家通路，用冻结的SigLIP文本提示以零样本方式监督两个路由器，再由按图像自适应的元路由器融合两路证据。在275,454张、18类电商图像的5折交叉验证与55,091条查询对220,363张图库的全量检索中，SwinV2骨干上线条检索mAP@10提升5.74个百分点，颜色专用配置的颜色检索mAP@10提升9.12个百分点；ConvNeXt-V2与DINOv3上产品检索与属性对齐之间存在取舍。
PRISM-Net把商品图像的整体特征拆成线条与颜色两条专家通路，用冻结的SigLIP文本提示以零样本方式监督两个路由器，再由按图像自适应的元路由器融合两路证据。在275,454张、18类电商图像的5折交叉验证与55,091条查询对220,363张图库的全量检索中，SwinV2骨干上线条检索mAP@10提升5.74个百分点，颜色专用配置的颜色检索mAP@10提升9.12个百分点；ConvNeXt-V2与DINOv3上产品检索与属性对齐之间存在取舍。
National Yang Ming Chiao Tung University National Chengchi University
Chung‐Ming Lo（第一作者、通讯作者）
PRISM-Net 网络细粒度商品检索混合专家模型知识蒸馏路由门控
arXiv 2026年11月1日
知识图谱上下文不必整张图喂给模型：关系知识挑出十几条事实，七个开源模型答得更准
知识图谱问答通常按相关性排序把事实塞进提示词，但相关不等于足够、也不等于彼此一致。这套方法用关系知识（关系含义与组合规则，或从带关系路径标注的训练问题学到的映射）在图上搜出一条能推出答案的紧凑事实集，再用可推导性检查判断答案能否从上下文推出、一致性检查判断事实是否冲突，并由验证集选出的门控决定何时用推导答案替换大模型回答。在 WebQSP 上，七个开源模型读这套平均 14.7 条事实的上下文，精确匹配比读 SubgraphRAG 的 100 条事实平均高 10.2 个百分点。
知识图谱问答通常按相关性排序把事实塞进提示词，但相关不等于足够、也不等于彼此一致。这套方法用关系知识（关系含义与组合规则，或从带关系路径标注的训练问题学到的映射）在图上搜出一条能推出答案的紧凑事实集，再用可推导性检查判断答案能否从上下文推出、一致性检查判断事实是否冲突，并由验证集选出的门控决定何时用推导答案替换大模型回答。在 WebQSP 上，七个开源模型读这套平均 14.7 条事实的上下文，精确匹配比读 SubgraphRAG 的 100 条事实平均高 10.2 个百分点。
Seunghui Jwa（第一作者）
紧凑充分上下文选择可推导性检查一致性检查知识图谱路由门控

已读完全部报道